引言
昨天一位公眾號粉絲和我討論了一道面試題，個人覺得比較有意義，這裡整理了一下分享給大家，願小夥伴們面試路上少踩坑。面試題目比較簡單：“讓你實現一個附近的人功能，你有什麼方案？”，這道題其實主要還是考察大家對於技術的廣度，本文介紹幾種方案，給大家一點思路，避免在面試過程中語塞而影響面試結果，如有不嚴謹之處，還望親人們溫柔指正！
“附近的人” 功能生活中是比較常用的，像外賣app附近的餐廳，共享單車app裡附近的車輛。既然常用面試被問的概率就很大，所以下面依次來分析基於mysql數據庫、Redis、 MongoDB實現的 “附近的人” 功能。
在這裡插入圖片描述
科普：世界上標識一個位置，通用的做法就使用經、緯度。經度的範圍在 (-180, 180]，緯度的範圍 在(-90, 90]，緯度正負以赤道為界，北正南負，經度正負以本初子午線 (英國格林尼治天文臺) 為界，東正西負。比如：望京摩托羅拉大廈的經、緯度（116.49141，40.01229）全是正數，就是因為我國位於東北半球。
一、“附近的人”原理
“附近的人” 也就是常說的 LBS (Location Based Services，基於位置服務)，它圍繞用戶當前地理位置數據而展開的服務，為用戶提供精準的增值服務。
“附近的人” 核心思想如下：
- 以 “我” 為中心，搜索附近的用戶
- 以 “我” 當前的地理位置為準，計算出別人和 “我” 之間的距離
- 按 “我” 與別人距離的遠近排序，篩選出離我最近的用戶或者商店等在這裡插入圖片描述
二、什麼是GeoHash算法？
在說 “附近的人” 功能的具體實現之前，先來認識一下GeoHash 算法，因為後邊會一直和它打交道。定位一個位置最好的辦法就是用經、緯度標識，但經、緯度它是二維的，在進行位置計算的時候還是很麻煩，如果能通過某種方法將二維的經、緯度數據轉換成一維的數據，那麼比較起來就要容易的多，因此GeoHash算法應運而生。
GeoHash算法將二維的經、緯度轉換成一個字符串，例如：下圖中9個GeoHash字符串代表了9個區域，每一個字符串代表了一矩形區域。而這個矩形區域內其他的點（經、緯度）都用同一個GeoHash字符串表示。
在這裡插入圖片描述
比如：WX4ER區域內的用戶搜索附近的餐廳數據，由於這區域內用戶的GeoHash字符串都是WX4ER，故可以把WX4ER當作key，餐廳信息作為value進行緩存；而如果不使用GeoHash算法，區域內的用戶請求餐廳數據，用戶傳來的經、緯度都是不同的，這樣緩存不僅麻煩且數據量巨大。
GeoHash字符串越長，表示的位置越精確，字符串長度越長代表在距離上的誤差越小。下圖geohash碼精度表：
geohash碼長度寬度高度15,009.4km4,992.6km21,252.3km624.1km3156.5km156km439.1km19.5km54.9km4.9km61.2km609.4m7152.9m152.4m838.2m19m94.8m4.8m101.2m59.5cm1114.9cm14.9cm123.7cm1.9cm
而且字符串越相似表示距離越相近，字符串前綴匹配越多的距離越近。比如：下邊的經、緯度就代表了三家距離相近的餐廳。
商戶經緯度Geohash字符串串串香116.402843,39.999375wx4er9v火鍋116.3967,39.99932wx4ertk烤肉116.40382,39.918118wx4erfe
讓大家簡單瞭解什麼是GeoHash算法，方便後邊內容展開，GeoHash算法內容比較高深，感興趣的小夥伴自行深耕一下，這裡不佔用過多篇幅（其實是我懂得太膚淺，哭唧唧~）。
三、基於Mysql
此種方式是純基於mysql實現的，未使用GeoHash算法。
1、設計思路
以用戶為中心，假設給定一個500米的距離作為半徑畫一個圓，這個圓型區域內的所有用戶就是符合用戶要求的 “附近的人”。但有一個問題是圓形有弧度啊，直接搜索圓形區域難度太大，根本無法用經、緯度直接搜索。
但如果在圓形外套上一個正方形，通過獲取用戶經、緯度的最大最小值（經、緯度 + 距離），再根據最大最小值作為篩選條件，就很容易將正方形內的用戶信息搜索出來。
那麼問題又來了，多出來一些面積腫麼辦？
我們來分析一下，多出來的這部分區域內的用戶，到圓點的距離一定比圓的半徑要大，那麼我們就計算用戶中心點與正方形內所有用戶的距離，篩選出所有距離小於等於半徑的用戶，圓形區域內的所用戶即符合要求的“附近的人”。
在這裡插入圖片描述
2、利弊分析
純基於 mysql 實現 “附近的人”，優點顯而易見就是簡單，只要建一張表存下用戶的經、緯度信息即可。缺點也很明顯，需要大量的計算兩個點之間的距離，非常影響性能。
3、實現
創建一個簡單的表用來存放用戶的經、緯度屬性。
<code>1CREATE TABLE `nearby_user` ( 2 `id` int(11) NOT NULL AUTO_INCREMENT, 3 `name` varchar(255) DEFAULT NULL COMMENT '名稱', 4 `longitude` double DEFAULT NULL COMMENT '經度', 5 `latitude` double DEFAULT NULL COMMENT '緯度', 6 `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '創建時間', 7 PRIMARY KEY (`id`) 8) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;/<code>
計算兩個點之間的距離，用了一個三方的類庫，畢竟自己造的輪子不是特別圓，還有可能是方的，啊哈哈哈~
<code>1 2 com.spatial4j 3 spatial4j 4 0.5 5/<code>
獲取到外接正方形後，以正方形的最大最小經、緯度值搜索正方形區域內的用戶，再剔除超過指定距離的用戶，就是最終的附近的人。
<code> 1 private SpatialContext spatialContext = SpatialContext.GEO;
2
3 /**
4 * 獲取附近 x 米的人
5 *
6 * @param distance 搜索距離範圍 單位km
7 * @param userLng 當前用戶的經度
8 * @param userLat 當前用戶的緯度
9 */
10 @GetMapping("/nearby")
11 public String nearBySearch(@RequestParam("distance") double distance,
12 @RequestParam("userLng") double userLng,
13 @RequestParam("userLat") double userLat) {
14 //1.獲取外接正方形
15 Rectangle rectangle = getRectangle(distance, userLng, userLat);
16 //2.獲取位置在正方形內的所有用戶
17 List users = userMapper.selectUser(rectangle.getMinX(), rectangle.getMaxX(), rectangle.getMinY(), rectangle.getMaxY());
18 //3.剔除半徑超過指定距離的多餘用戶
19 users = users.stream()
20 .filter(a -> getDistance(a.getLongitude(), a.getLatitude(), userLng, userLat) <= distance)
21 .collect(Collectors.toList());
22 return JSON.toJSONString(users);
23 }
24
25 private Rectangle getRectangle(double distance, double userLng, double userLat) {
26 return spatialContext.getDistCalc()
27 .calcBoxByDistFromPt(spatialContext.makePoint(userLng, userLat),
28 distance * DistanceUtils.KM_TO_DEG, spatialContext, null);
29 }/<code>由於用戶間距離的排序是在業務代碼中實現的，可以看到SQL語句也非常的簡單。
<code>1 7/<code>
四、Mysql + GeoHash
1、設計思路
這種方式的設計思路更簡單，在存用戶位置信息時，根據用戶經、緯度屬性計算出相應的geohash字符串。注意：在計算geohash字符串時，需要指定geohash字符串的精度，也就是geohash字符串的長度，參考上邊的geohash精度表。
當需要獲取附近的人，只需用當前用戶geohash字符串，數據庫通過WHERE geohash Like 'geocode%' 來查詢geohash字符串相似的用戶，然後計算當前用戶與搜索出的用戶距離，篩選出所有距離小於等於指定距離（附近500米）的，即附近的人。
2、利弊分析
利用GeoHash算法實現“附近的人”有一個問題，由於geohash算法將地圖分為一個個矩形，對每個矩形進行編碼，得到geohash字符串。可我當前的點與鄰近的點很近，但恰好我們分別在兩個區域，明明就在眼前的點偏偏搜不到，實實在在的燈下黑。
如何解決這一問題？
為了避免類似鄰近兩點在不同區域內，我們就需要同時獲取當前點（WX4G0）所在區域附近 8個區域的geohash碼，一併進行篩選比較。
在這裡插入圖片描述
3、實現
同樣要設計一張表存用戶的經、緯度信息，但區別是要多一個geo_code字段，存放geohash字符串，此字段通過用戶經、緯度屬性計算出。使用頻繁的字段建議加上索引。
<code> 1CREATE TABLE `nearby_user_geohash` ( 2 `id` int(11) NOT NULL AUTO_INCREMENT, 3 `name` varchar(255) DEFAULT NULL COMMENT '名稱', 4 `longitude` double DEFAULT NULL COMMENT '經度', 5 `latitude` double DEFAULT NULL COMMENT '緯度', 6 `geo_code` varchar(64) DEFAULT NULL COMMENT '經緯度所計算的geohash碼', 7 `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '創建時間', 8 PRIMARY KEY (`id`), 9 KEY `index_geo_hash` (`geo_code`) 10) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;/<code>
首先根據用戶經、緯度信息，在指定精度後計算用戶座標的geoHash碼，再獲取到用戶周邊8個方位的geoHash碼在數據庫中搜索用戶，最後過濾掉超出給定距離（500米內）的用戶。
<code> 1 private SpatialContext spatialContext = SpatialContext.GEO;
2
3 /***
4 * 添加用戶
5 * @return
6 */
7 @PostMapping("/addUser")
8 public boolean add(@RequestBody UserGeohash user) {
9 //默認精度12位
10 String geoHashCode = GeohashUtils.encodeLatLon(user.getLatitude(),user.getLongitude());
11 return userGeohashService.save(user.setGeoCode(geoHashCode).setCreateTime(LocalDateTime.now()));
12 }
13
14
15/**
16 * 獲取附近指定範圍的人
17 *
18 * @param distance 距離範圍（附近多遠的用戶） 單位km
19 * @param len geoHash的精度（幾位的字符串）
20 * @param userLng 當前用戶的經度
21 * @param userLat 當前用戶的緯度
22 * @return json
23 */
24 @GetMapping("/nearby")
25 public String nearBySearch(@RequestParam("distance") double distance,
26 @RequestParam("len") int len,
27 @RequestParam("userLng") double userLng,
28 @RequestParam("userLat") double userLat) {
29
30
31 //1.根據要求的範圍，確定geoHash碼的精度，獲取到當前用戶座標的geoHash碼
32 GeoHash geoHash = GeoHash.withCharacterPrecision(userLat, userLng, len);
33 //2.獲取到用戶周邊8個方位的geoHash碼
34 GeoHash[] adjacent = geoHash.getAdjacent();
35
36 QueryWrapper queryWrapper = new QueryWrapper()
37 .likeRight("geo_code",geoHash.toBase32());
38 Stream.of(adjacent).forEach(a -> queryWrapper.or().likeRight("geo_code",a.toBase32()));
39
40 //3.匹配指定精度的geoHash碼
41 List users = userGeohashService.list(queryWrapper);
42 //4.過濾超出距離的
43 users = users.stream()
44 .filter(a ->getDistance(a.getLongitude(),a.getLatitude(),userLng,userLat)<= distance)
45 .collect(Collectors.toList());
46 return JSON.toJSONString(users);
47 }
48
49
50 /***
51 * 球面中，兩點間的距離
52 * @param longitude 經度1
53 * @param latitude 緯度1
54 * @param userLng 經度2
55 * @param userLat 緯度2
56 * @return 返回距離，單位km
57 */
58 private double getDistance(Double longitude, Double latitude, double userLng, double userLat) {
59 return spatialContext.calcDistance(spatialContext.makePoint(userLng, userLat),
60 spatialContext.makePoint(longitude, latitude)) * DistanceUtils.DEG_TO_KM;
61 }/<code>五、Redis + GeoHash
Redis 3.2版本以後，基於geohash和數據結構Zset提供了地理位置相關功能。通過上邊兩種mysql的實現方式發現，附近的人功能是明顯的讀多寫少場景，所以用redis性能更會有很大的提升。
1、設計思路
redis 實現附近的人功能主要通過Geo模塊的六個命令。
- GEOADD：將給定的位置對象（緯度、經度、名字）添加到指定的key;
- GEOPOS：從key裡面返回所有給定位置對象的位置（經度和緯度）;
- GEODIST：返回兩個給定位置之間的距離;
- GEOHASH：返回一個或多個位置對象的Geohash表示;
- GEORADIUS：以給定的經緯度為中心，返回目標集合中與中心的距離不超過給定最大距離的所有位置對象;
- GEORADIUSBYMEMBER：以給定的位置對象為中心，返回與其距離不超過給定最大距離的所有位置對象。
以GEOADD 命令和GEORADIUS 命令簡單舉例：
<code>1GEOADD key longitude latitude member [longitude latitude member ...]/<code>
其中，key為集合名稱，member為該經緯度所對應的對象。
GEOADD 添加多個商戶“火鍋店”位置信息：
<code>1GEOADD hotel 119.98866180732716 30.27465803229662 火鍋店/<code>
GEORADIUS 根據給定的經緯度為中心，獲取目標集合中與中心的距離不超過給定最大距離（500米內）的所有位置對象，也就是“附近的人”。
<code>1GEORADIUS key longitude latitude radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [ASC|DESC] [COUNT count] [STORE key] [STORedisT key]/<code>
範圍單位：m | km | ft | mi --> 米 | 千米 | 英尺 | 英里。
- WITHDIST：在返回位置對象的同時，將位置對象與中心之間的距離也一併返回。距離的單位和用戶給定的範圍單位保持一致。
- WITHCOORD：將位置對象的經度和維度也一併返回。
- WITHHASH：以 52 位有符號整數的形式，返回位置對象經過原始 geohash 編碼的有序集合分值。這個選項主要用於底層應用或者調試，實際中的作用並不大。
- ASC | DESC：從近到遠返回位置對象元素 | 從遠到近返回位置對象元素。
- COUNT count：選取前N個匹配位置對象元素。（不設置則返回所有元素）
- STORE key：將返回結果的地理位置信息保存到指定key。
- STORedisT key：將返回結果離中心點的距離保存到指定key。
例如下邊命令：獲取當前位置周邊500米內的所有飯店。
<code>1GEORADIUS hotel 119.98866180732716 30.27465803229662 500 m WITHCOORD/<code>
Redis內部使用有序集合(zset)保存用戶的位置信息，zset中每個元素都是一個帶位置的對象，元素的score值為通過經、緯度計算出的52位geohash值。
2、利弊分析
redis實現附近的人效率比較高，集成也比較簡單，而且還支持對距離排序。不過，結果存在一定的誤差，要想讓結果更加精確，還需要手動將用戶中心位置與其他用戶位置計算距離後，再一次進行篩選。
3、實現
以下就是Java redis實現版本，代碼非常的簡潔。
<code> 1 @Autowired
2 private RedisTemplate redisTemplate;
3
4 //GEO相關命令用到的KEY
5 private final static String KEY = "user_info";
6
7 public boolean save(User user) {
8 Long flag = redisTemplate.opsForGeo().add(KEY, new RedisGeoCommands.GeoLocation<>(
9 user.getName(),
10 new Point(user.getLongitude(), user.getLatitude()))
11 );
12 return flag != null && flag > 0;
13 }
14
15 /**
16 * 根據當前位置獲取附近指定範圍內的用戶
17 * @param distance 指定範圍 單位km ，可根據{@link org.springframework.data.geo.Metrics} 進行設置
18 * @param userLng 用戶經度
19 * @param userLat 用戶緯度
20 * @return
21 */
22 public String nearBySearch(double distance, double userLng, double userLat) {
23 List users = new ArrayList<>();
24 // 1.GEORADIUS獲取附近範圍內的信息
25 GeoResults> reslut =
26 redisTemplate.opsForGeo().radius(KEY,
27 new Circle(new Point(userLng, userLat), new Distance(distance, Metrics.KILOMETERS)),
28 RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs()
29 .includeDistance()
30 .includeCoordinates().sortAscending());
31 //2.收集信息，存入list
32 List>> content = reslut.getContent();
33 //3.過濾掉超過距離的數據
34 content.forEach(a-> users.add(
35 new User().setDistance(a.getDistance().getValue())
36 .setLatitude(a.getContent().getPoint().getX())
37 .setLongitude(a.getContent().getPoint().getY())));
38 return JSON.toJSONString(users);
39 }/<code>六、MongoDB + 2d索引
1、設計思路
MongoDB實現附近的人，主要是通過它的兩種地理空間索引 2dsphere 和 2d。 兩種索引的底層依然是基於Geohash來進行構建的。但與國際通用的Geohash還有一些不同，具體參考官方文檔。
2dsphere 索引僅支持球形表面的幾何形狀查詢。
2d 索引支持平面幾何形狀和一些球形查詢。雖然2d 索引支持某些球形查詢，但 2d 索引對這些球形查詢時，可能會出錯。所以球形查詢儘量選擇 2dsphere索引。
儘管兩種索引的方式不同，但只要座標跨度不太大，這兩個索引計算出的距離相差幾乎可以忽略不計。
2、實現
首先插入一批位置數據到MongoDB， collection為起名 hotel，相當於MySQL的表名。兩個字段name名稱，location 為經、緯度數據對。
<code> 1db.hotel.insertMany([
2 {'name':'hotel1', location:[115.993121,28.676436]},
3 {'name':'hotel2', location:[116.000093,28.679402]},
4 {'name':'hotel3', location:[115.999967,28.679743]},
5 {'name':'hotel4', location:[115.995593,28.681632]},
6 {'name':'hotel5', location:[115.975543,28.679509]},
7 {'name':'hotel6', location:[115.968428,28.669368]},
8 {'name':'hotel7', location:[116.035262,28.677037]},
9 {'name':'hotel8', location:[116.024770,28.68667]},
10 {'name':'hotel9', location:[116.002384,28.683865]},
11 {'name':'hotel10', location:[116.000821,28.68129]},
12])/<code>接下來我們給 location 字段創建一個2d索引，索引的精度通過bits來指定，bits越大，索引的精度就越高。
<code>1db.coll.createIndex({'location':"2d"}, {"bits":11111})/<code>用geoNear命令測試一下， near 當前座標（經、緯度），spherical 是否計算球面距離，distanceMultiplier地球半徑，單位是米，默認6378137， maxDistance 過濾條件（指定距離內的用戶），開啟弧度需除distanceMultiplier，distanceField 計算出的兩點間距離，字段別名（隨意取名）。
<code>1db.hotel.aggregate({
2 $geoNear:{
3 near: [115.999567,28.681813], // 當前座標
4 spherical: true, // 計算球面距離
5 distanceMultiplier: 6378137, // 地球半徑,單位是米,那麼的除的記錄也是米
6 maxDistance: 2000/6378137, // 過濾條件2000米內，需要弧度
7 distanceField: "distance" // 距離字段別名
8 }
9})/<code>看到結果中有符合條件的數據，還多出一個字段distance 剛才設置的別名，代表兩點間的距離。
<code>1{ "_id" : ObjectId("5e96a5c91b8d4ce765381e58"), "name" : "hotel10", "location" : [ 116.000821, 28.68129 ], "distance" : 135.60095397487655 }
2{ "_id" : ObjectId("5e96a5c91b8d4ce765381e51"), "name" : "hotel3", "location" : [ 115.999967, 28.679743 ], "distance" : 233.71915803517447 }
3{ "_id" : ObjectId("5e96a5c91b8d4ce765381e50"), "name" : "hotel2", "location" : [ 116.000093, 28.679402 ], "distance" : 273.26317035334176 }
4{ "_id" : ObjectId("5e96a5c91b8d4ce765381e57"), "name" : "hotel9", "location" : [ 116.002384, 28.683865 ], "distance" : 357.5791936927476 }
5{ "_id" : ObjectId("5e96a5c91b8d4ce765381e52"), "name" : "hotel4", "location" : [ 115.995593, 28.681632 ], "distance" : 388.62555058249967 }
6{ "_id" : ObjectId("5e96a5c91b8d4ce765381e4f"), "name" : "hotel1", "location" : [ 115.993121, 28.676436 ], "distance" : 868.6740526419927 }/<code> 總結
本文重點並不是在具體實現，旨在給大家提供一些設計思路，面試中可能你對某一項技術瞭解的並不深入，但如果你的知識面寬，可以從多方面說出多種設計的思路，能夠侃侃而談，那麼會給面試官極大的好感度，拿到offer的概率就會高很多。而且“附近的人” 功能使用的場景比較多，尤其是像電商平臺應用更為廣泛，所以想要進大廠的同學，這類的知識點還是應該有所瞭解的。
代碼實現借鑑了一位大佬的開源項目，這裡有前三種實現方式的demo，感興趣的小夥伴可以學習一下，GitHub地址：https://github.com/larscheng/larscheng-learning-demo/tree/master/NearbySearch，。
感悟
從正式成為一名程序員的那天起，註定要進行沒有止境的學習，想要進階高級或者專家，就要堅持每天都高效的學習，不要給自己的懶惰找藉口，“什麼我也想學習可是又沒有資源”，這次我給你整理好了，我看你還有啥理由！私信回覆【666】送你
